超越床边:在第三级医疗保健中的心脏病患者的机器学习引导停留时间 (LOS) 预测
Sarab AlMuhaideb1, Alanoud Bin Shawyah1, Mohammed F Alhamid2
1Department of Computer Science, College of Computer and Information Sciences, King Saud University, P.O. Box 266, Riyadh 11362, Saudi Arabia.
Healthcare (Basel, Switzerland)
|June 19, 2024
概括
这项研究开发了机器学习模型,以准确预测心脏病患者住院时间 (LOS). 最好的模型,三级序列级联泛化 (3LSCG),实现了较低的预测误差,改善了医疗保健资源管理.
科学领域:
- 医疗保健信息学 医疗保健信息学
- 机器学习在医学中的应用
- 临床运营研究研究 临床运营研究
背景情况:
- 有效的医院资源管理对于质量医疗和可持续性至关重要.
- 停留时间 (LOS) 预测影响患者的治疗结果,重新入院,人员配置和出院计划.
- 机器学习 (ML) 提供了先进的功能,可以超越传统方法来提高LOS预测的准确性.
研究的目的:
- 开发和评估基于ML的模型,用于预测成人心脏病患者的停留时间 (LOS).
- 为实际临床部署确定影响LOS预测的关键因素.
- 为了比较各种ML模型的性能,包括新的整体方法,用于LOS预测.
主要方法:
- 开发SaudiCardioStay (SCS) 数据集,包括2019-2022年4930名成人心脏病患者的接触.
- 经典ML模型的实施和比较:随机森林,XGBoost,LGBM,ANN和平均投票回归.
- 介绍了新的组合方法:两级,三级序列级联泛化 (2LSCG,3LSCG) 和并行级联泛化 (PCG).
主要成果:
- 三级连续级联泛化 (3LSCG) 模型以 0.1700.00 的平均绝对误差 (MAE) 实现了最佳性能.
- 平均投票回归 (AvgVotReg) 模型显示了可比性能,MAE为0.1703.
- 分析突出了集体ML方法在捕获复杂模式以改进LOS预测方面的潜力.
结论:
- 机器学习模型,特别是像3LSCG这样的组合方法,显示出在心脏护理中准确预测停留时间的显著前景.
- 该研究提供了关于实际部署挑战的见解,以及将ML整合到临床工作流程中的建议.
- 准确的LOS预测可以优化医院资源配置,改善患者护理途径,提高运营效率.
